LABORATORIO DE TRANSFORMADAS No.
3: Aplicaciones de
transformada de Fourier: Identificación en tiempo real de cantos de aves
Avendaño Gunnar [gavendañop@unbosque.edu.co]
RESUMEN- En este laboratorio utilizaremos los
sonidos de las aves para identificar su categoría, clase
y especie, lo evidenciaremos utilizando solo el espacio
del tiempo, para esto necesitaremos la ayuda de
diferentes herramientas como los diferentes sonidos de
las aves, además conoceremos diferentes métodos de
validación para tener características básicas de los
audios de las aves para la clasificación de las mismas.
ABSTRACT- In this laboratory we will use the
sounds of the birds to identify their category, class and
species, we will demonstrate it using only the space of
time, for this we will need the help of different tools
such as the different sounds of the birds, in addition we
will know different methods of validation for to have
basic characteristics of the audios of the birds for the
classification of the same.
Palabras clave: Validacion Cruzada, Transformada
de Fourier, frecuencia, tiempo real, precision.
I.OBJETIVOS
 Adquirir herramientas de análisis y abstracción que
permitan resolver problemas en el espacio de la
frecuencia.
 Determinar las ventajas y desventajas del uso del
espacio de Fourier para el análisis de señales.
 Aplicar la transformada de Fourier para tareas de
clasificación.
 Evidenciar los múltiples campos de aplicación de la
teoría de la transformada de Fourier, junto con la
capacidad para resolver problemas del ejercicio
cotidiano del Bioingeniero.
II.INTRODUCCIÓN
A) Primera aproximación para
determinación de similitud en el dominio del
tiempo.
• Estrategias de partición para la
Validación de datos.
Validación Cruzada:
La validación cruzada es una técnica utilizada
para evaluar los resultados de un análisis estadístico y
garantizar que son independientes de la partición entre
datos de entrenamiento y prueba. Consiste en repetir y
calcular la media aritmética obtenida de las medidas
de evaluación sobre diferentes particiones. Se utiliza en
entornos donde el objetivo principal es la predicción y
se quiere estimar la precisión de un modelo que se
llevará a cabo a la práctica.1 Es una técnica muy
utilizada en proyectos de inteligencia artificial para
validar modelos generados. La validación cruzada
consta de dos fases, entrenamiento y generación de
resultados. En estas fases se incluyen los pasos
siguientes:
 Seleccionar una estructura de minería de datos
de destino
 Especificar los modelos que desea probar.
 Especificar el número de plegamientos en los
que desea crear particiones de los datos de la
estructura
 Analysis Services crea y entrena tantos
modelos como plegamientos.
 Para generar los resultados, debe especificar
los parámetros de pruebas para los modelos
entrenados.
 Especificación del origen de los datos de
pruebas. (Esta característica sólo está
disponible cuando se usan los procedimientos
almacenados).
 Especificar el atributo de predicción, el valor
de predicción y el umbral de precisión.
 A continuación, Analysis Services devuelve un
conjunto de métricas de precisión para cada
uno de los plegamientos de cada modelo.
También puede devolver métricas de precisión
para el conjunto de datos como un todo. [1]

Figura 1: Validación Cruzada
Tomada de: https://es.wikipedia.org/wiki/Validaci%C3
Validación cruzada de K iteraciones:
En la validación cruzada de K iteraciones o K-fold
cross-validation los datos de muestra se dividen en K
subconjuntos. Uno de los subconjuntos se utiliza como
datos de prueba y el resto (K-1) como datos de
entrenamiento. El proceso de validación cruzada es
repetido durante k iteraciones, con cada uno de los
posibles subconjuntos de datos de prueba. Finalmente
se realiza la media aritmética de los resultados de cada
iteración para obtener un único resultado. Este método
es muy preciso puesto que evaluamos a partir de K
combinaciones de datos de entrenamiento y de prueba,
pero aun así tiene una desventaja, y es que, a diferencia
del método de retención, es lento desde el punto de vista
computacional. [2]
Figura 2: Validación Cruzada.
Tomada de: https://www.wikipedia/validacioncruzada.com
Validación cruzada dejando uno fuera:
La validación cruzada dejando uno fuera o Leave-one-
out cross-validation (LOOCV) implica separar los
datos de forma que para cada iteración tengamos una
sola muestra para los datos de prueba y todo el resto
conformando los datos de entrenamiento.
La evaluación viene dada por el error, y en este tipo de
validación cruzada el error es muy bajo, pero en
cambio, a nivel computacional es muy costoso, puesto
que se tienen que realizar un elevado número de
iteraciones, tantas como N muestras tengamos y para
cada una analizar los datos tanto de entrenamiento
como de prueba. [2]
Figura 3: Dejando Uno Afuera.
Tomada de: https://www.wikipedia/validacioncruzada.com
Nodo partición:
Los nodos de partición se utilizan para generar un
campo de partición que divide los datos en
subconjuntos o muestras independientes para las fases
de entrenamiento, comprobación y validación en la
generación del modelo. Si usa una muestra para generar
el modelo y otra muestra distinta para probarlo, podrá
obtener una buena indicación de la bondad del modelo
a la hora de generalizarlo a conjuntos de datos de mayor
tamaño similares a los datos actuales.
El nodo Partición genera un campo nominal con el
papel definido a Partición. Si lo prefiere, en el caso de
que un campo adecuado ya exista en los datos, puede
designarse como una partición utilizando un nodo Tipo.
En este caso no se requiere ningún nodo Partición
independiente. Se puede utilizar como partición
cualquier campo nominal instanciado con dos o tres
valores, pero no los campos con marcas. Consulte el
tema Definición del papel de campos si desea obtener
más información.
En una ruta se pueden definir múltiples campos de
partición, pero, de hacerlo, será necesario seleccionar
un campo de partición simple en la pestaña Campos de
cada nodo de modelado que utilice la partición. (Si
solamente hay una partición, se usará automáticamente
siempre que se active la partición.)
Activación de la partición. Para utilizar la partición en
un análisis, ésta debe estar activada en la pestaña
Opciones de modelo en el nodo Análisis o la
generación de modelos adecuada. Si se anula esta
opción, se posibilita la desactivación de la partición sin
eliminar el campo.
Particiones. Puede dividir los datos en dos muestras
(Entrenamiento y comprobación) o en tres
(Entrenamiento, comprobación y validación).
 Entrenamiento y comprobación. Divide los
datos en dos particiones de muestra, lo que
permite entrenar el modelo con una muestra y
comprobarlo con otra.
 Entrenamiento, comprobación y
validación. Divide los datos en tres particiones
de muestra, lo que permite entrenar el modelo
con una muestra, comprobarlo y ajustarlo con
otra y validar los resultados con otra. Así se
reduce el tamaño de cada partición en
consecuencia y puede ser más adecuado al
trabajar con un conjunto de datos muy grande.
[3]
Figura 4: Nodo Partición.
Tomada de: https://www.google.com.co/search?q=nodo+particion.
Trasformada de Fourier:
Una transformada de Fourier es una operación
matemática que transforma una señal de dominio de
tiempo a dominio de frecuencia y viceversa. Estamos
acostumbrados a señales con dominio de tiempo en la
vida cotidiana. En el dominio de tiempo, la señal se
expresa con respecto al tiempo. En el dominio de
frecuencia, una señal es expresada con respecto a la
frecuencia. [4]
La transformada de Fourier, denominada así por Joseph
Fourier, es una transformación matemática empleada
para transformar señales entre el dominio del tiempo (o
espacial) y el dominio de la frecuencia, en el caso de
una función periódica en el tiempo, la transformada de
Fourier se puede simplificar para el cálculo de un
conjunto discreto de amplitudes complejas, llamado
coeficientes de las series de Fourier. Ellos representan
el espectro de frecuencia de la señal del dominio-
tiempo original.
La transformada de Fourier es una aplicación que hace
corresponder a una función de valores complejos y
definidos en la recta, con otra función definida de la
manera siguiente:
Figura 5: transformada de Fourier.
Tomada de: https://es.wikipedia.org/wiki/Transformada_de_Fourier.
En la práctica las variables suelen estar asociadas a
dimensiones como el tiempo (segundos) y frecuencia
(hercios) respectivamente, si se utiliza la fórmula
alternativa. [5]
Figura 6: transformada de Fourier alternativa.
Tomada de: https://es.wikipedia.org/wiki/Transformada_de_Fourier
• Justificar el por qué lo encontrado en el
numeral anterior es importante para esta
práctica de laboratorio
Básicamente es importante esta validación ya que
tenemos una cantidad de audios muy elevada, de cada
categoría de aves se pueden sacar características
específicas las cuales posteriormente se pueden
evidenciar, esto hace la validación, coge esas
características y reduce las búsquedas de cada audio
mirando unos pocos de cada categoría con esto
optimizamos el trabajo y lo hacemos más rápido y
eficiente.
 • Escoger una de las estrategias
encontradas en el primer numeral para
que sea usada en el proceso de validación
de la herramienta de clasificación de
sonidos de aves que usted diseñará
(justifique por qué seleccionó dicho
método).
La validación escogida fue la validación cruzada de k
interacciones o K-fold ya que esta validación me
permite coger un audio de las 7 carpetas que contienen
12 audios, de cada una de las carpetas cojo uno como
prueba y los 11 restantes son de entrenamiento, con el
fin de disminuir el trabajo realizado y de acelerar el
proceso de clasificación de los mismos, teniendo los
audios de prueba después de repetidas interacciones le
realizo el proceso de la media a cada audio con el
propósito de tener un valor único especifico, este
método es un poco lento a la hora de computarizarlo,
pero el resultado es adecuado.
• Describir las etapas de pre-procesamiento
que necesita como método previo a la
comparación de los sonidos.
Las etapas del pre-procesamiento serian primero como
la adquisición de cualquier audio correspondiente a la
carpeta, es decir, que se pueda leer cualquier audio en
tiempo real, y eso hace básicamente con las funciones
que proporciona MATLAB, la segunda etapa seria
coger es audios de entrenamiento y escoger uno de
prueba de la carpeta correspondiente para después
poder sumarlos y sacarles el promedio, eso se hace para
tener el valor del promedio de las carpetas, la tercera
etapa del pre-procesamiento se puede decir que es la
diferencia entre el valor del promedio o de las medias
aritméticas de cada carpeta y hacer la diferencia al valor
de los audios ya leídos de cada carpeta, con el propósito
de poder juntar todos esos valores para poder hallar una
precisión más o menos confiable.
III. ANÁLISIS DE RESULTADOS
¿El valor de precisión es suficiente para que la
herramienta sea usada en procesos de
clasificación Automática de sonidos de aves,
reemplazando con ello a los especialistas en esta
tarea? (justifique su respuesta).
Realizando la prueba de validación se puede evidenciar
que tuvo una precisión del 27%, esto indica que con
solo este valor no es capaz de realizar procesos de
clasificación autónomos ya que esta precisión es muy
baja para comparar cada audio y dirigirlo a
clasificación de ave.
Teniendo en cuenta que la precisión dada por medio de
la técnica de validación fue la siguiente 27% se podría
decir que los audios utilizados o los procesos realizados
no han sido de mayor selectividad a la hora de escoger
el audio, se podría decir que tomando diferentes valores
o diferentes audios se podría alcanzar una precisión
mayor.
¿Qué parámetros influyen en el desempeño de su
método de clasificación?
Se podría decir que uno de los parámetros más
influyentes en el método de la clasificación es la
duración del audio, ya que con un audio que
proporcione más características, es decir, que su tiempo
sea más prolongado se podría percibir sonidos propios
de dichas aves, reconociendo las características como
la amplitud o el tiempo clasificando así la Ave.
¿Cómo podría aumentar la precisión de su
herramienta?
La precisión de la programación para clasificar las aves
de manera correcta podría ser de diferentes formas, una
podría deberse a que en la grabación de los audios se
encuentra mucho ruido, esos valores del ruido
interfieren con algunos patrones establecidos los cuales
haría posible la clasificación directa de las aves, otra
manera de mejorar la precisión es cambiando la técnica
o mejorando la técnica de validación ya escogida, la
cual por alguna razón estaría funcionado
incorrectamente, de esta manera comparando los
audios de las aves directamente se podrían clasificar,
otra manera de mejorar la precisión de la herramienta
es trabajando solo en el espacio de las frecuencias, si
bien sabemos este espacio genera características
específicas de las aves teniendo una facilidad a la hora
de clasificarlas, de esta forma nos evitaríamos buscar
diferentes datos para alcanzar el propósito de
clasificación, combinando las tres formas explicadas la
precisión llegaría a ser tan buena que directamente se
podría clasificar las aves sin ningún problema.
¿Qué tan rápido puede ejecutar la clasificación
de un solo sonido mediante el uso de su
herramienta?, ¿Podría aplicar este algoritmo
para que la detección se haga en tiempo real?
La herramienta clasifica al ave de una manera
intermedia, es decir no fue tan rápida la clasificación
pero tampoco se demoró tanto en clasificar, esto puede
ser más rápido mejorando muchas partes de la
herramienta hasta el punto de hacerlo en tiempo real ya
que si se quiere clasificar el ave directamente con el
sonido en vivo se tendrá que hacer de dicha forma, esto
ayudaría no solo a detectar cualquier tipo de ave sino a
muchos animales o diferentes ruidos del ecosistema.
B) Similitud en el dominio de la frecuencia.
¿El hecho de trabajar en el espacio de las
frecuencias mejoró la precisión de su
herramienta?, ¿Por qué cree que esto sucedió?
Básicamente mejoro de un 27% a un 51% mi
conclusión seria que trabajar en el espacio de las
frecuencias es decir aplicando la transformada de
Fourier se cogen diferentes parámetros o datos los
cuales ayudan a que el resultado sea más eficiente, no
como los escogidos en el dominio normal, de esta
forma ya precisión incrementa significativamente a la
hora de hacer la clasificación de las aves.
¿El tiempo de clasificación por sonido se
incremento o redujo?
El tiempo de clasificación esta vez aumento, ya no era
de manera intermedia para cada audio sino que
aumento su tiempo unos minutos retrasando la
clasificación de las aves.
¿Cómo podría aumentar la precisión de su
método?
La precisión de mi método podría aumentar cambiando
el valor escogido en mi caso la media de cada audio, si
se cambia ese valor o esa característica por otro podría
aumentar la precisión de mi herramienta como
escogiendo la varianza de los datos, quizá este valor
aumente la precisión.
¿Qué cambios tendría que hacer para que
pudiera clasificar una grabación en tiempo real?
Los cambios que se le deberían hacer a la
herramienta de clasificación son en el pre-
procesamiento de los audios ya que en esa parte es
donde los audios se demoran en leer, si aumentara
la velocidad de adquisición de los audios
clasificaría de manera más rápida los sonidos de
las aves.
IV. CONCLUSIONES
 Trabajar en el espacio de la frecuencia siempre
va a tener sus ventajas ya que proporciona
resultados más eficientes, también es más fácil
a la hora de escoger datos relevantes para la
clasificación de las aves.
 Se puede concluir que esta herramienta de
clasificación no está limitada a si campo de
acción, es decir que se pueden tener múltiples
aplicaciones para la misma, siempre y cuando
se hagan los procesos indicados a la hora de
clasificar.
 A la hora de aplicar la transformada de Fourier
se evidencia como la precisión de la
herramienta mejora significativamente esto
quiere decir que aplicando diferentes procesos
matemáticos podemos tener una precisión más
cercana a la ideal.
V. REFERENCIAS
[1]Microsoft, Validación Cruzada (Analysis
services-Mineria de Datos), SQL 2008.
[2]Wikipedia, Validación Cruzada, 2017.
[3] IBM Knowledge Center, Nodo Partición, SPSS
Modeler 15.0.0, 2012.
[4]National Instruments, Preguntras frecuentes,
2014.
[5] Dym, H., McKean, H. P., Fourier series and
Integrals. Academic Press, New York, 1972.